仪表数字图像AI视频分析预警 YOLOX

仪表数字图像AI视频分析预警系统利用AI人工智能机器视觉分析识别技术，仪表数字图像AI视频分析预警通过部署现场监控摄像头，实现对仪表盘读数和开关状态的自动识别。系统通过捕捉仪表盘图片，并运用AI算法分析处理这些图像，自动读取仪表盘上显示的数字。相比起传统的人工读数方式，该系统提供了更高的准确性和效率。这种智能化的识别技术可有效降低人工读数的误判概率，并且适用于24小时全天候的自动读数。此外，仪表数字图像AI视频分析预警系统的应用适用于多个场景，如工厂、油田和电力机房等。在这些场景下，仪表盘和开关状态的准确识别对于生产运营和安全管理至关重要。

YOLOX在YOLO系列的基础上做了一系列的工作，其主要贡献在于：在YOLOv3的基础上，引入了Decoupled Head，Data Aug，Anchor Free和SimOTA样本匹配的方法，构建了一种anchor-free的端到端目标检测框架，并且达到了一流的检测水平。此外，本文提出的 YOLOX-L 模型在视频感知挑战赛(CVPR 2021年自动驾驶研讨会)上获得了第一名。作者还提供了支持ONNX、TensorRT、NCNN和Openvino的部署版本。

目标检测分为Anchor Based和Anchor Free两种方式。在Yolov3、Yolov4、Yolov5中，通常都是采用 Anchor Based的方式，来提取目标框。Yolox 将 Anchor free 的方式引入到Yolo系列中，使用anchor free方法有如下好处：降低了计算量，不涉及IoU计算，另外产生的预测框数量较少。假设feature map的尺度为80x80，anchor based方法在Feature Map上，每个单元格一般设置三个不同尺寸大小的锚框，因此产生3x80x80=19200个预测框。而使用anchor free的方法，仅产生80x80=6400个预测框，降低了计算量。缓解了正负样本不平衡问题anchor free方法的预测框只有anchor based方法的1/3，而预测框中大部分是负样本，因此anchor free方法可以减少负样本数，进一步缓解了正负样本不平衡问题。

随着工业生产的不断发展，对仪表盘读数和开关状态的准确识别成为了一个重要的工作环节。为了提高工作效率和降低误读率，基于AI人工智能机器视觉分析识别技术的仪表数字图像AI视频分析预警系统应运而生。该系统利用现场监控摄像头代替人眼，自动识别仪表表示数或开关状态，提供7*24小时自动读数，并通过平台及时上报给管理员。通过AI算法抓拍仪表盘图片并自动识别读数，该系统能够降低人工读数的工作强度和误读概率，提高仪表读数识别的准确性。该系统主要适用于工厂、油田、核电等场景，在辅助管理人员统计仪表盘信息方面起到重要作用，减少了人工监控的工作强度。

class Detect(nn.Module):
    stride = None  # strides computed during build
    onnx_dynamic = False  # ONNX export parameter

    def __init__(self, nc=80, anchors=(), ch=(), inplace=True):  # detection layer
        super().__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        self.anchor_grid = [torch.zeros(1)] * self.nl  # init anchor grid
        self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2))  # shape(nl,na,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv
        self.inplace = inplace  # use in-place ops (e.g. slice assignment)

    def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)

                y = x[i].sigmoid()
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
                    xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

    def _make_grid(self, nx=20, ny=20, i=0):
        d = self.anchors[i].device
        if check_version(torch.__version__, '1.10.0'):  # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
        else:
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
        grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
        anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
            .view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
        return grid, anchor_grid

仪表数字图像AI视频分析预警一旦识别到异常情况或预设的阈值被触发，系统会自动触发预警机制。通过实时监测并分析仪表盘读数和开关状态，系统能够发现异常情况，并及时向管理人员发送预警信息，以便他们采取必要的措施进行处理。此外，系统还具备辅助管理人员统计仪表盘信息的功能，通过平台实现数据记录和上报，实现对仪表状态的远程监控和数据分析。这样的系统大大减轻了人工读数和监控的工作强度，并提供了及时准确的数据支持，确保设备运行的安全和正常。